HuggingFace 链接：https://huggingface.co/spaces/XiangJinYu/SPO  作者也与国内的 ModelScope 魔搭社区官方进行了合作，现在可以体验由 Deepseek-V3 和 Qwen-2.5-72B 等开源模型驱动的 SPO。

ModelScope 链接： https://modelscope.cn/studios/AI-ModelScope/SPO

在大语言模型（LLMs）日益普及的今天，提示（Prompt）的设计和优化成为了解锁其潜力的关键。然而，传统的提示优化方法往往依赖人工反馈或外部标注数据，既昂贵又难以扩展。为了解决这一问题，**SPO（Self-Supervised Prompt Optimization，自我监督提示优化）**应运而生。SPO 是一款面向大语言模型的自动化提示优化工具，其核心特点是无需外部监督，通过模型自身的输出信号实现高效优化。

一、SPO 的核心优势

SPO 的设计理念围绕四大核心优势展开，使其在提示优化领域脱颖而出：

1. 超低成本：每个任务的优化成本仅为 $0.15，比传统方法高效 17.8 至 90.9 倍。

2. 零监督依赖：无需任何人工标注或外部反馈，完全自我监督。